Analisis Sentimen Berdasarkan Komentar Publik Terhadap Toko Online Pada Media Sosial Facebook (Studi Kasus: Zalora dan BerryBenka)

Authors

  • Syahmia Gusriani Politeknik Caltex Riau
  • Kartina Diah Kusuma Wardhani Politeknik Caltex Riau
  • Muhammad Ihsan Zul Politeknik Caltex Riau

Abstract

Maraknya penggunaan jejaring sosial seperti Facebook mendorong munculnya data tekstual yang tidak terbatas, sehingga muncul kebutuhan penyajian informasi tanpa mengurangi nilai dari informasi tersebut. Salah satu pemanfaatan data ini adalah untuk mengetahui opini atau sentimen publik terhadap pelayanan dan produk suatu toko online. Metodologi yang digunakan untuk melakukan analisis sentimen dimulai dari data collecting, preprocessing, feature selection, klasifikasi dan pengukuran akurasi. Metode klasifikasi Naive Bayes, k-NN dan Decision Tree digunakan untuk membandingkan hasil prediksi klasifikasi yang terbaik. Hasil analisis pengujian menunjukkan Naive Bayes memiliki kestabilan akurasi setelah diuji dengan beberapa nilai Frequent Itemset. Naive bayes memiliki rata-rata akurasi 90.3%.Kata kunci: Opini, Sentimen, Preprocessing, Feature Selection, Klasifikasi, Naïve Bayes, k-NN, Decision Tree, Frequent Itemset, Akurasi

Author Biographies

Syahmia Gusriani, Politeknik Caltex Riau

Sistem Informasi

Kartina Diah Kusuma Wardhani, Politeknik Caltex Riau

Teknik Informatika

Muhammad Ihsan Zul, Politeknik Caltex Riau

Teknik Informatika

References

Nielsen. (2014). E-Commerce : Evolution or Revolution in the Fast-Moving Consumer Goods World?. United States : New York.

Liu, Bing. (2012). Sentiment Analysis and Opinion Mining. USA : Morgan & Claypool Publishers.

Sentiaji, Aditia Rakhmat., & Bachtiar, Adam Mukaharil. (2014). Analisis Sentimen Terhadap Acara Televisi Berdasarkan Opini Publik. Bandung : Universitas Komputer Indonesia.

Hidayatullah, Ahmad Fathan. (2014). Analisis Sentimen dan Klasifikasi Kategori Terhadap Tokoh Publik pada Twitter. Yogyakarta : Universitas Gajah Mada.

Blanco, Eduardo., & Moldovan, Dan. (2011). Some Issues on Detecting Negation from Text. Journal of Human Language Technology Research Institute. USA : The University of Texas at Dallas.

Moens, Sandy., Aksehirli, Emin., & Goethals, Bart. (2013). Frequent Itemset Mining for Big Data. Belgium : Universiteit Antwerpen.

Han, Jiawei., Kamber, Micheline., & Pei, Jian. (2012). Data Mining Concepts and Techniques (3rd ed.). USA : Simon Frase University.

Published

2016-12-26

Issue

Section

Artikel